基于贪心最小割分析的贝叶斯网络结构共识

本文提出Min-Cut贝叶斯网络共识（MCBNC）算法，这是一种用于贝叶斯网络（BNs）结构共识的贪心方法，适用于联邦学习和模型聚合。MCBNC通过基于最小割分析的结构评分对初始无限制的融合进行边缘修剪，集成到修改后的后向等价搜索（BES）阶段中，该阶段是贪心等价搜索（GES）算法的一部分。该评分量化了跨输入网络的边缘支持情况，并使用最大流计算。与具有固定树宽限制的方法不同，MCBNC引入一种可以在事后仅使用结构信息选择的修剪阈值$\theta$。在真实贝叶斯网络上的实验表明，MCBNC生成的稀疏、更准确的共识结构优于标准融合和输入网络。该方法具有可扩展性、数据中性特征，特别适用于分布式或联邦场景。